Modelo de sistema de alerta temprana para desbordamientos de arroyos en Barranquilla basado en la comunidad

Serna Galeano, Ivan Andres

Modelo de sistema de alerta temprana para desbordamientos de arroyos en Barranquilla basado en la comunidad

dc.contributor.advisor	Goméz Vargas, Ernesto
dc.contributor.author	Serna Galeano, Ivan Andres
dc.contributor.orcid	Gomez Vargas, Ernesto [0000-0003-4957-7313]
dc.date.accessioned	2024-10-29T00:25:06Z
dc.date.available	2024-10-29T00:25:06Z
dc.date.created	2024-05-27
dc.description	El presente trabajo busca diseñar y crear un modelo de alerta temprana basado en la comunidad como alternativa para la mitigación ante el desastre provocado por los arroyos que se desbordan en Barranquilla (Colombia). Este modelo se basa en los aportes en redes sociales, los cuales son consultados por medio de la api de cada red social y filtradas de acuerdo a su localización, con la información recolectada se realiza limpieza y depuración, para luego con técnicas de procesamiento de lenguaje natural tokenizar vectorizar los textos, buscando operar matemáticamente para encontrar la similitud vectorial entre textos procesados, generando de esta manera una clasificación entre textos asociados a desbordamiento de arroyo y textos que no asociados a desbordamiento. Adicionalmente los textos clasificados como desbordamiento de arroyo son procesados nuevamente con el fin de obtener una localización o asignarle una por defecto, para consecuentemente georreferenciar estos datos en un mapa que permita asociar la zona de riesgo y visualizarla en una aplicación web, monitoreando y disminuyendo el posible daño generado a la población. Con el fin de escoger el mejor clasificador, se seleccionaron 3 algoritmos de clasificación (random forest, extra tree y k-neigbor), los cuales presentaron mejor comportamiento y R2 en referencia a los datos procesado en las regresiones realizadas. Finalmente los tres algoritmos anteriormente mencionados fueron entrenados, encontrando que el algoritmo k-neighbor, obtuvo 88 fallos de un set de pruebas de 400 tweets, siendo este el que menos fallos obtuvo y seleccionado para el sistema propuesto.	spa
dc.description.abstract	The present work seeks to design and create a community-based early warning model as an alternative to as an alternative for mitigating the disaster caused by overflowing streams in Barranquilla (Colombia). in Barranquilla (Colombia). This model is based on the contributions in social networks, which are consulted by means of the api of each social network and filtered according to their according to their location, The information collected is cleaned and debugged, and then with debugging, and then with natural language processing techniques to tokenize the texts, seeking to operate vectorize the texts, seeking to operate mathematically to find the vector similarity between processed texts, generating from between processed texts, generating in this way a classification between texts associated with stream associated with stream overflow and texts not associated with overflow. Additionally, the texts classified as stream overflow are processed again in order to obtain a location or assign a default one, in order to georeference these data on a map that georeferencing this data on a map that allows to associate the risk zone and visualize it in a web application, monitoring and decreasing and visualize it in a web application, monitoring and reducing the possible damage to the population. generated to the population. In order to choose the best classifier, 3 classification algorithms were selected (random forest, randomly generated and randomly generated). classification algorithms (random forest, extra tree and k-neigbor) were selected, which showed the best and R2 in reference to the data processed in the regressions performed. regressions. Finally, the three aforementioned algorithms were trained, found that the k-neighbor algorithm obtained 88 failures out of a test set of 400 tweets, being the one with the least number of failures. tweets, being this the one that obtained the least number of failures and selected for the proposed system.	spa
dc.description.sponsorship	Twitter
dc.format.mimetype	pdf
dc.identifier.uri	http://hdl.handle.net/11349/42416
dc.language.iso	spa
dc.publisher	Universidad Distrital Francisco José de Caldas
dc.relation.references	H. D. Van Strahlen Bartel, «Estudio de la problemática de los arroyos urbanos de la cuenca El Rebolo (Barranquilla, Colombia) y propuesta de soluciones», 2017, doi: http://hdl.handle.net/10251/90068.
dc.relation.references	Ávila Humberto, «Perspectiva del manejo del drenaje pluvial frente al cambio climático-caso de estudio: ciudad de Barranquilla, Colombia», 2012.
dc.relation.references	J. A. Sepulveda Ojeda, «Aplicación web para la visualización de sensores del sistema de alertas tempranas de los arroyos de Barranquilla-Colombia», 2017.
dc.relation.references	L. J. Pérez Flórez y J. S. Hernández Miranda, «Diseño del modelo económico energético para un sistema de alerta temprana (MEESAT) para los arroyos de Barranquilla», 2015.
dc.relation.references	M. Acosta-Coll, F. Ballester-Merelo, y M. Martínez-Peiró, «Early warning system for detection of urban pluvial flooding hazard levels in an ungauged basin», Nat. Hazards, vol. 92, pp. 1237-1265, 2018.
dc.relation.references	M. A. Coll, «Sistemas de Alerta Temprana (SAT) para la Reducción del Riesgo de Inundaciones Súbitas y Fenómenos Atmosféricos en el Área Metropolitana de Barranquilla», Sci. Tech., vol. 18, n.o 2, pp. 303-308, 2013.
dc.relation.references	A. Chatfield y U. Brajawidagda, «Twitter tsunami early warning network: a social network analysis of Twitter information flows», 2012.
dc.relation.references	Gobernacion del Atlantico, Colombia, «Plan Departamental de Gestión del Riesgo Atlántico (Colombia)», InstnameUnidad Nac. Para Gest. Riesgo Desastres, 2012, Accedido: 3 de julio de 2023. [En línea]. Disponible en: http://172.16.10.183/handle/20.500.11762/392
dc.relation.references	E. Domínguez-Calle y S. Lozano-Báez, «Estado del arte de los sistemas de alerta temprana en Colombia», Rev. Acad. Colomb. Cienc. Exactas Físicas Nat., vol. 38, n.o 148, pp. 321-332, 2014.
dc.relation.references	«Escalofriante cifra de muertos arrastrados por arroyos en Barranquilla y Soledad - BluRadio». Accedido: 28 de octubre de 2023. [En línea]. Disponible en: https://www.bluradio.com/judicial/escalofriante-cifra-de-muertos-arrastrados-por-arroyos-en-barranquilla-y-soledad
dc.relation.references	«Arroyos de Barranquilla - Un sitio web de la IED Marco Fidel Suárez». Accedido: 28 de octubre de 2023. [En línea]. Disponible en: http://www.arroyosdebarranquilla.co/
dc.relation.references	E. Aristizábal, M. F. Gamboa, y F. J. Leoz, «Sistema de alerta temprana por movimientos en masa inducidos por lluvia para el valle de Aburrá, Colombia», Rev. EIA, n.o 13, pp. 155-169, 2010.
dc.relation.references	P. J. Smith, S. Brown, y S. Dugar, «Community-based early warning systems for flood risk mitigation in Nepal», Nat. Hazards Earth Syst. Sci., vol. 17, n.o 3, pp. 423-437, 2017.
dc.relation.references	C. C. Abon, C. Primo C. David, y G. Q. Tabios III, «Community-based monitoring for flood early warning system: An example in central Bicol River Basin, Philippines», Disaster Prev. Manag. Int. J., vol. 21, n.o 1, pp. 85-96, 2012.
dc.relation.references	M. Calvello et al., «The Community-Based Alert and Alarm System for Rainfall Induced Landslides in Rio de Janeiro, Brazil», en Engineering Geology for Society and Territory - Volume 2, G. Lollino, D. Giordan, G. B. Crosta, J. Corominas, R. Azzam, J. Wasowski, y N. Sciarra, Eds., Cham: Springer International Publishing, 2015, pp. 653-657. doi: 10.1007/978-3-319-09057-3_109.
dc.relation.references	D. Wu y Y. Cui, «Disaster early warning and damage assessment analysis using social media data and geo-location information», Decis. Support Syst., vol. 111, pp. 48-59, 2018.
dc.relation.references	K. Kitazawa y S. A. Hale, «Social media and early warning systems for natural disasters: A case study of Typhoon Etau in Japan», Int. J. Disaster Risk Reduct., vol. 52, p. 101926, 2021.
dc.relation.references	T. Sakaki, M. Okazaki, y Y. Matsuo, «Earthquake shakes Twitter users: real-time event detection by social sensors», en Proceedings of the 19th international conference on World wide web, Raleigh North Carolina USA: ACM, abr. 2010, pp. 851-860. doi: 10.1145/1772690.1772777.
dc.relation.references	J. Ocharan, «Sistemas de Alerta Temprana. Fotografía actual y retos», Cuad. Int. Tecnol. Para El Desarro. Hum. 2007 Núm 6, 2007, Accedido: 28 de octubre de 2023. [En línea]. Disponible en: https://upcommons.upc.edu/handle/2099/4425
dc.relation.references	A. Valdivielso, «¿Qué es un arroyo?», iAgua. Accedido: 1 de noviembre de 2023. [En línea]. Disponible en: https://www.iagua.es/respuestas/que-es-arroyo-significado-y-concepto
dc.relation.references	DISAVA, «¿Qué es un área de influencia?», DISAVA. Accedido: 1 de noviembre de 2023. [En línea]. Disponible en: https://disava.co/noticias/f/%C2%BFqu%C3%A9-es-un-%C3%A1rea-de-influencia
dc.relation.references	«Introducción». Accedido: 1 de noviembre de 2023. [En línea]. Disponible en: https://www.oas.org/dsd/publications/unit/oea57s/ch004.htm
dc.relation.references	«5.5 Riesgos naturales». Accedido: 1 de noviembre de 2023. [En línea]. Disponible en: https://www.oas.org/dsd/publications/unit/oea32s/ch28.htm
dc.relation.references	«La geografía de los riesgos». Accedido: 4 de noviembre de 2023. [En línea]. Disponible en: https://www.ub.edu/geocrit/geo54.htm
dc.relation.references	«¿Qué es una API? - Explicación de interfaz de programación de aplicaciones - AWS», Amazon Web Services, Inc. Accedido: 1 de noviembre de 2023. [En línea]. Disponible en: https://aws.amazon.com/es/what-is/api/
dc.relation.references	Chakray, «Lenguajes de programación: tipos, características y diferencias», Chakray. Accedido: 1 de noviembre de 2023. [En línea]. Disponible en: https://www.chakray.com/es/lenguajes-programacion-tipos-caracteristicas/
dc.relation.references	undefined, «Lenguajes de programación: qué son y cómo funcionan \|», El Blog de Pixartprinting. Accedido: 4 de noviembre de 2023. [En línea]. Disponible en: https://www.pixartprinting.es/blog/lenguajes-de-programacion/
dc.relation.references	«Georreferenciación y sistemas de coordenadas \| ArcGIS Resource Center». Accedido: 5 de noviembre de 2023. [En línea]. Disponible en: https://resources.arcgis.com/es/help/getting-started/articles/026n0000000s000000.htm
dc.relation.references	«¿Qué tipos de redes sociales existen?» Accedido: 5 de noviembre de 2023. [En línea]. Disponible en: https://www.becas-santander.com/es/blog/tipos-de-redes-sociales.html
dc.relation.references	«Análisis exploratorio de datos». Accedido: 2 de noviembre de 2023. [En línea]. Disponible en: https://www.jmp.com/es_co/statistics-knowledge-portal/exploratory-data-analysis.html
dc.relation.references	«¿Qué es el análisis exploratorio de datos? \| IBM». Accedido: 5 de noviembre de 2023. [En línea]. Disponible en: https://www.ibm.com/mx-es/topics/exploratory-data-analysis
dc.relation.references	J. Dagnino, «Regresión lineal», Rev. Chil. Anest., vol. 43, n.o 2, pp. 143-149, 2014.
dc.relation.references	J. A. Saavedra, «Regresión Lineal: qué es, para qué sirve, por qué es importante, tipos y ejemplos de uso», Ebac. Accedido: 5 de noviembre de 2023. [En línea]. Disponible en: https://ebac.mx/blog/regreson-lineal
dc.relation.references	R. M. Granados, «Modelos de regresión lineal múltiple», Granada Esp. Dep. Econ. Apl. Univ. Granada, 2016, Accedido: 5 de noviembre de 2023. [En línea]. Disponible en: http://www.ugr.es/~montero/matematicas/regresion_lineal.pdf
dc.relation.references	«¿Qué es una red neuronal? - Explicación de las redes neuronales artificiales - AWS», Amazon Web Services, Inc. Accedido: 2 de noviembre de 2023. [En línea]. Disponible en: https://aws.amazon.com/es/what-is/neural-network/
dc.relation.references	S. E. T. Sánchez, M. O. Rodríguez, A. E. Jiménez, y H. J. P. Soberanes, «Implementación de algoritmos de inteligencia artificial para el entrenamiento de redes neuronales de segunda generación», Jóvenes En Cienc., vol. 2, pp. 6-10, 2016.
dc.relation.references	«¿Qué son las redes neuronales? \| IBM». Accedido: 5 de noviembre de 2023. [En línea]. Disponible en: https://www.ibm.com/es-es/topics/neural-networks
dc.relation.references	C. C. Rodriguez, «Maquina de Soporte Vectorial (SVM)», Medium. Accedido: 4 de noviembre de 2023. [En línea]. Disponible en: https://medium.com/@csarchiquerodriguez/maquina-de-soporte-vectorial-svm-92e9f1b1b1ac
dc.relation.references	G. A. Betancourt, «Las máquinas de soporte vectorial (SVMs)», Sci. Tech., vol. 1, n.o 27, 2005, Accedido: 4 de noviembre de 2023. [En línea]. Disponible en: https://revistas.utp.edu.co/index.php/revistaciencia/article/view/6895
dc.relation.references	E. A. Pérez Tatamués, «Algoritmo de random forest aplicado a la detección de fraude en el sistema bancario ecuatoriano», B.S. thesis, Quito, 2019., 2019. Accedido: 4 de noviembre de 2023. [En línea]. Disponible en: http://bibdigital.epn.edu.ec/handle/15000/20592
dc.relation.references	E. P. Páez-Guarnizo y A. F. Monroy, «Implementación de un modelo de análisis de sentimientos con respecto a la JEP basado en minería de datos en Twitter», 2020, Accedido: 1 de noviembre de 2023. [En línea]. Disponible en: https://repository.ucatolica.edu.co/entities/publication/b4420e91-e0fa-468e-b3bb-d48b995741d2
dc.relation.references	R. E. B. Martínez et al., «Árboles de decisión como herramienta en el diagnóstico médico», Rev. Médica Univ. Veracruzana, vol. 9, n.o 2, pp. 19-24, 2009.
dc.relation.references	L. Gonzalez, «Aprendizaje Supervisado: Random Forest Classification», 🤖 Aprende IA. Accedido: 4 de noviembre de 2023. [En línea]. Disponible en: https://aprendeia.com/aprendizaje-supervisado-random-forest-classification/
dc.relation.references	D. P. Pérez, R. S. Bustillos, C. M. Mora, y M. Botto-Tobar, «Predicción de Covid19 con el uso del Algoritmo Random Forest y Redes Neuronales Artificiales», Ecuadorian Sci. J., vol. 4, n.o 2, pp. 101-110, 2020.
dc.relation.references	F. Cánovas-García, F. Alonso-Sarría, y F. Gomariz-Castillo, «Modificación del algoritmo Random Forest para su empleo en clasificación de imágenes de teledetección», en Aplicaciones de las Tecnologías de la Información Geográfica (TIG) para el desarrollo económico sostenible XVII Congreso Nacional de Tecnologías de Información Geográfica, 2016. Accedido: 4 de noviembre de 2023. [En línea]. Disponible en: https://www.researchgate.net/profile/Fulgencio-Canovas-Garcia/publication/304825355_Modificacion_del_algoritmo_Random_Forest_para_su_empleo_en_clasificacion_de_imagenes_de_teledeteccion/links/577be67a08aec3b743366b69/Modificacion-del-algoritmo-Random-Forest-para-su-empleo-en-clasificacion-de-imagenes-de-teledeteccion.pdf
dc.relation.references	«La matriz de confusión y sus métricas – Juan Barrios». Accedido: 5 de noviembre de 2023. [En línea]. Disponible en: https://www.juanbarrios.com/la-matriz-de-confusion-y-sus-metricas/
dc.relation.references	«Use Cases, Tutorials, & Documentation». Accedido: 8 de julio de 2023. [En línea]. Disponible en: https://developer.twitter.com/en
dc.relation.references	H. Müller y J. C. Freytag, Problems, methods, and challenges in comprehensive data cleansing. Professoren des Inst. Für Informatik, 2005.
dc.relation.references	Y. Valdés Hernández y D. Marmol Lacal, «DBAnalyzer 2.0, sistema para analizar bases de datos libre.», B.S. thesis, 2008.
dc.relation.references	E. Estoque Cabrera, L. Baró Galán, y M. E. Escobar Pompa, «Implementación de algoritmos para la limpieza de datos», B.S. thesis, 2015.
dc.relation.references	I. Zeroual y A. Lakhouaja, «Data science in light of natural language processing: An overview», Procedia Comput. Sci., vol. 127, pp. 82-91, 2018.
dc.relation.references	G. D. Buzai y C. A. Baxendale, «Análisis exploratorio de datos espaciales», Geogr. Sist. Inf. Geográfica N° 12009, 2009.
dc.relation.references	P. Carranza y J. Fuentealba, «Una introducción al Análisis Exploratorio de Datos por medio de Google Analytics», Yupana Rev. Educ. Matemática UNL, vol. 7, pp. 53-65, 2013.
dc.relation.references	Z. Jianqiang y G. Xiaolin, «Comparison research on text pre-processing methods on twitter sentiment analysis», IEEE Access, vol. 5, pp. 2870-2879, 2017.
dc.relation.references	E. Kouloumpis, T. Wilson, y J. Moore, «Twitter sentiment analysis: The good the bad and the omg!», en Proceedings of the international AAAI conference on web and social media, 2011, pp. 538-541.
dc.relation.references	«Spanish · spaCy Models Documentation», Spanish. Accedido: 16 de julio de 2023. [En línea]. Disponible en: https://spacy.io/models/es
dc.relation.references	S. Quarteroni, «Natural language processing for industry: ELCA’s experience», Inform.-Spektrum, vol. 41, n.o 2, pp. 105-112, 2018.
dc.relation.references	A. Yadav, A. Patel, y M. Shah, «A comprehensive review on resolving ambiguities in natural language processing», AI Open, vol. 2, pp. 85-92, ene. 2021, doi: 10.1016/j.aiopen.2021.05.001.
dc.relation.references	N. Kaur, V. Pushe, y R. Kaur, «Natural language processing interface for synonym», Int. J. Comput. Sci. Mob. Comput., vol. 3, n.o 7, pp. 638-642, 2014.
dc.relation.references	M. M. E. Torres y R. Manjarrés-Betancur, «Asistente virtual académico utilizando tecnologías cognitivas de procesamiento de lenguaje natural», Rev. Politécnica, vol. 16, n.o 31, pp. 85-96, 2020.
dc.relation.references	A. Gelbukh, «Procesamiento de lenguaje natural y sus aplicaciones», Komput. Sapiens, vol. 1, pp. 6-11, 2010.
dc.relation.references	L. Deng, «Deep learning: from speech recognition to language and multimodal processing», APSIPA Trans. Signal Inf. Process., vol. 5, n.o 1, ene. 2016, doi: 10.1017/ATSIP.2015.22.
dc.relation.references	F. Ramos y J. Vélez, «Integración de técnicas de procesamiento de lenguaje natural a través de servicios web», Univ. Nac. Cent. Prov. B. Aires, 2016.
dc.relation.references	P. Johri, S. K. Khatri, A. T. Al-Taani, M. Sabharwal, S. Suvanov, y A. Kumar, «Natural language processing: History, evolution, application, and future work», en Proceedings of 3rd International Conference on Computing Informatics and Networks: ICCIN 2020, Springer, 2021, pp. 365-375.
dc.relation.references	M. Maldonado, D. Alulema, D. Morocho, y M. Proano, «System for monitoring natural disasters using natural language processing in the social network Twitter», en 2016 IEEE international carnahan conference on security technology (ICCST), IEEE, 2016, pp. 1-6.
dc.relation.references	D. Moreira et al., «Análisis del Estado Actual de Procesamiento de Lenguaje Natural», Rev. Ibérica Sist. E Tecnol. Informação, n.o E42, pp. 126-136, 2021.
dc.relation.references	A. Gutiérrez Domínguez, «Aplicación de técnicas de procesamiento de lenguaje natural (NLP) en Twitter para la evaluación de políticas agrarias y del medio rural», 2022.
dc.relation.references	Z. Zong y C. Hong, «On Application of Natural Language Processing in Machine Translation», en 2018 3rd International Conference on Mechanical, Control and Computer Engineering (ICMCCE), sep. 2018, pp. 506-510. doi: 10.1109/ICMCCE.2018.00112.
dc.relation.references	B. Li, Y. Hou, y W. Che, «Data augmentation approaches in natural language processing: A survey», AI Open, vol. 3, pp. 71-90, ene. 2022, doi: 10.1016/j.aiopen.2022.03.001.
dc.relation.references	M. B. Hernández y J. M. Gómez, «Aplicaciones de procesamiento de lenguaje natural», Rev. Politécnica, vol. 32, 2013.
dc.relation.references	J. D. Sánchez-Blanco Gómez, «Análisis de diagnósticos y tratamientos de migrañas mediante Procesamiento de Lenguaje Natural», 2022, Accedido: 5 de noviembre de 2023. [En línea]. Disponible en: https://repositorio.comillas.edu/xmlui/handle/11531/62406
dc.relation.references	F. Murzone, «Procesamiento de texto para NLP 1: Tokenización», EscuelaDeInteligenciaArtificial. Accedido: 5 de noviembre de 2023. [En línea]. Disponible en: https://medium.com/escueladeinteligenciaartificial/procesamiento-de-texto-para-nlp-1-tokenizaci%C3%B3n-4d533f3f6c9b
dc.relation.references	U. Kant, «Tokenization — A complete guide», Medium. Accedido: 5 de noviembre de 2023. [En línea]. Disponible en: https://medium.com/@utkarsh.kant/tokenization-a-complete-guide-3f2dd56c0682
dc.relation.references	Enzyme, «Natural Language Processing: ¿cómo es la técnica Word Embeddings?» Accedido: 6 de noviembre de 2023. [En línea]. Disponible en: https://enzyme.biz/blog/natural-language-processing
dc.relation.references	«word2vec \| Text», TensorFlow. Accedido: 6 de noviembre de 2023. [En línea]. Disponible en: https://www.tensorflow.org/text/tutorials/word2vec
dc.relation.references	D. Team, «Word2vec : NLP y Word Embedding», Formation Data Science \| DataScientest.com. Accedido: 6 de noviembre de 2023. [En línea]. Disponible en: https://datascientest.com/es/nlp-word-embedding-word2vec-es
dc.relation.references	R. Merritt, «¿Qué Es un Modelo Transformer? \| Blog de NVIDIA», Blog oficial de NVIDIA Latino América. Accedido: 6 de noviembre de 2023. [En línea]. Disponible en: https://la.blogs.nvidia.com/2022/04/19/que-es-un-modelo-transformer/
dc.relation.references	R. Horev, «BERT Explained: State of the art language model for NLP», Medium. Accedido: 6 de noviembre de 2023. [En línea]. Disponible en: https://towardsdatascience.com/bert-explained-state-of-the-art-language-model-for-nlp-f8b21a9b6270
dc.relation.references	A. A. Turdjai y K. Mutijarsa, «Simulation of marketplace customer satisfaction analysis based on machine learning algorithms», en 2016 International Seminar on Application for Technology of Information and Communication (ISemantic), ago. 2016, pp. 157-162. doi: 10.1109/ISEMANTIC.2016.7873830.
dc.relation.references	Y. Takefuji y K. Shoji, «Effectiveness of ensemble machine learning over the conventional multivariable linear regression models».
dc.relation.references	Y. Al Amrani, M. Lazaar, y K. E. El Kadiri, «Random forest and support vector machine based hybrid approach to sentiment analysis», Procedia Comput. Sci., vol. 127, pp. 511-520, 2018.
dc.relation.references	D. S. Osorio, J. J. M. Escobar, L. Chanona-Hernández, G. Sidorov, y C. J. Núñez-Prado, «Clasificación bi-clase de canciones infantiles aplicando inteligencia artificial y procesamiento de lenguaje natural.», Res Comput Sci, vol. 151, n.o 5, pp. 31-38, 2022.
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Internacional	*
dc.rights.acceso	Abierto (Texto Completo)	spa
dc.rights.accessrights	OpenAccess	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Desbordamiento
dc.subject	Redes sociales
dc.subject	Machine learning
dc.subject	Procesamiento de lenguaje natural
dc.subject.keyword	Stream Overflow
dc.subject.keyword	Social Network
dc.subject.keyword	Machine Learning
dc.subject.keyword	Natural process language
dc.subject.lemb	Maestría en Ciencias de la Información y las Comunicaciones -- Tesis y disertaciones académicas
dc.subject.lemb	Modelos de alerta temprana basados en la comunidad
dc.subject.lemb	Mitigación de desastres por desbordamiento de arroyos
dc.subject.lemb	Procesamiento de lenguaje natural en redes sociales
dc.subject.lemb	Georreferenciación de riesgos en Barranquilla
dc.title	Modelo de sistema de alerta temprana para desbordamientos de arroyos en Barranquilla basado en la comunidad	spa
dc.title.titleenglish	Model of an early warning system for for stream overflows in Barranquilla community-based	spa
dc.type	masterThesis	spa
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.degree	Monografía
dc.type.driver	info:eu-repo/semantics/masterThesis